{\rtf1\ansi\deff0
{\fonttbl{\f0 Calibri;}}
\fs28\b Penjelasan Contoh Input Harga, Tahun, dan Mesin CC pada Rekomendasi K-Means\b0\par
\par
\fs24\b 1. Gambaran Umum\b0\par
Fitur rekomendasi mobil menggunakan metode K-Means untuk mengelompokkan data mobil berdasarkan kemiripan atribut numerik. Atribut utama yang digunakan sebagai fitur perhitungan adalah harga, tahun, dan mesin_cc.\par
\par
Ketiga atribut tersebut dipakai karena harga menunjukkan kisaran budget pengguna, tahun menunjukkan usia atau kebaruan mobil, dan mesin cc menunjukkan kapasitas mesin mobil.\par
\par
\b 2. Contoh Input Pengguna\b0\par
Misalnya pengguna memasukkan data berikut:\par
\par
Harga/Budget  : Rp 200.000.000\par
Tahun Minimal : 2018\par
Mesin CC      : 1500\par
\par
Artinya pengguna ingin mencari mobil dengan harga maksimal Rp 200.000.000, tahun minimal 2018, dan kapasitas mesin yang mendekati 1500 cc.\par
\par
\b 3. Contoh Data Mobil\b0\par
Misalnya terdapat lima data mobil yang memenuhi batas budget dan tahun:\par
\par
A = [130000000, 2018, 1200]\par
B = [150000000, 2019, 1500]\par
C = [170000000, 2020, 1500]\par
D = [190000000, 2021, 1800]\par
E = [200000000, 2022, 2000]\par
\par
Setiap mobil direpresentasikan ke dalam fitur [harga, tahun, mesin_cc].\par
\par
\b 4. Penentuan Centroid Awal\b0\par
Dalam K-Means, centroid adalah titik pusat dari sebuah cluster. Misalnya jumlah cluster yang digunakan adalah 2, maka contoh centroid awal dapat berupa:\par
\par
Centroid 0 = [130000000, 2018, 1200]\par
Centroid 1 = [200000000, 2022, 2000]\par
\par
Centroid awal ini menjadi acuan sementara untuk menentukan mobil mana yang paling dekat dengan masing-masing cluster.\par
\par
\b 5. Proses Pemilihan Cluster\b0\par
Setiap mobil dihitung jaraknya terhadap centroid. Mobil akan masuk ke cluster dengan jarak paling dekat.\par
\par
Contoh hasil pengelompokan awal:\par
\par
Cluster 0:\par
A = [130000000, 2018, 1200]\par
B = [150000000, 2019, 1500]\par
C = [170000000, 2020, 1500]\par
\par
Cluster 1:\par
D = [190000000, 2021, 1800]\par
E = [200000000, 2022, 2000]\par
\par
Mobil A, B, dan C lebih dekat dengan Centroid 0, sedangkan mobil D dan E lebih dekat dengan Centroid 1.\par
\par
\b 6. Pergeseran Centroid\b0\par
Setelah anggota cluster terbentuk, centroid baru dihitung berdasarkan rata-rata nilai setiap fitur dari anggota cluster tersebut.\par
\par
\b Centroid Baru Cluster 0\b0\par
Anggota Cluster 0 adalah A, B, dan C.\par
\par
Harga    = (130000000 + 150000000 + 170000000) / 3 = 150000000\par
Tahun    = (2018 + 2019 + 2020) / 3 = 2019\par
Mesin CC = (1200 + 1500 + 1500) / 3 = 1400\par
\par
Centroid 0 baru = [150000000, 2019, 1400]\par
\par
\b Centroid Baru Cluster 1\b0\par
Anggota Cluster 1 adalah D dan E.\par
\par
Harga    = (190000000 + 200000000) / 2 = 195000000\par
Tahun    = (2021 + 2022) / 2 = 2021.5\par
Mesin CC = (1800 + 2000) / 2 = 1900\par
\par
Centroid 1 baru = [195000000, 2021.5, 1900]\par
\par
Pergeseran centroid terjadi karena titik pusat cluster diperbarui mengikuti rata-rata anggota cluster. Proses ini diulang sampai posisi cluster stabil atau anggota cluster tidak berubah lagi.\par
\par
\b 7. Pemilihan Hasil Rekomendasi\b0\par
Setelah cluster terbentuk, sistem memilih mobil yang paling sesuai dengan input pengguna. Dalam contoh ini, input pengguna adalah [200000000, 2018, 1500].\par
\par
Mobil yang memiliki harga di bawah atau mendekati budget, tahun sesuai, dan mesin cc mendekati 1500 akan mendapat skor rekomendasi yang lebih baik.\par
\par
Contoh mobil yang cocok adalah C = [170000000, 2020, 1500]. Mobil C dapat menjadi rekomendasi yang baik karena harga masih di bawah budget, tahun 2020 lebih baru dari batas minimal 2018, dan mesin 1500 cc sesuai dengan input pengguna.\par
\par
\b 8. Hubungan dengan Kode Program\b0\par
Pada kode API Flask, fitur yang digunakan untuk K-Means terdapat pada fungsi berikut:\par
\par
def car_features(car):\par
    return [car["harga"], car["tahun"], car["mesin_cc"]]\par
\par
Fungsi tersebut menunjukkan bahwa proses clustering menggunakan tiga atribut utama, yaitu harga, tahun, dan mesin cc.\par
\par
Proses pergeseran centroid terdapat pada bagian berikut:\par
\par
new_centroids.append(\par
    [sum(member[column] for member in members) / len(members) for column in range(len(vectors[0]))]\par
)\par
\par
centroids = new_centroids\par
\par
Kode tersebut menghitung rata-rata anggota cluster untuk membentuk centroid baru.\par
\par
\b 9. Kesimpulan\b0\par
Berdasarkan contoh di atas, input harga, tahun, dan mesin cc dapat digunakan sebagai acuan dalam proses rekomendasi mobil. K-Means akan mengelompokkan data mobil berdasarkan kemiripan harga, tahun, dan kapasitas mesin. Setelah cluster terbentuk, centroid akan bergeser mengikuti rata-rata anggota cluster sampai hasil pengelompokan stabil.\par
\par
Dengan demikian, fitur rekomendasi dapat memberikan hasil yang lebih sesuai karena mempertimbangkan budget pengguna, batas tahun kendaraan, dan kapasitas mesin yang diinginkan.\par
}